Älykkäät kiinteistöt älykkäissä yhteisöissä -hankkeessa kehitetään älykkään sähkönkäytön ja talotekniikan osaamista kiinteistöistä korttelitasolle, hyödyntäen tekoälyä, digitalisaatiota ja yhteisöllistä oppimista. Hanke jatkaa vuosina 2020–2024 toteutetun Kiinteistötiedon ja IoT-ratkaisujen hallinta -hankkeen tuloksia, ja sen rahoittaa Sähkötekniikan ja energiatehokkuuden edistämiskeskus STEK ry.
Hankkeen kesto on 1.1.2025 - 31.12.2028.
Hankkeen tavoitteena on kehittää Myllypuron Smart Campuksesta monipuolinen TKI- ja oppimisympäristö sekä kehittää uusia ratkaisuja rakennusten käyttöliittymiin, energiatehokkuuteen ja datan hyödyntämiseen yhteistyössä yritysten ja tutkimusverkostojen kanssa. Sertifioitua kampusta kehitetään geneeriseksi rakennusdatan älyratkaisujen alustaksi, jota sovelletaan myös asumis-, hotelli- ja sairaalaympäristöihin.
Hankkeessa kehitetään tekoälypohjaisia sähkö- ja taloteknisiä ratkaisuja, digitaalisia kaksosia ja datan visualisointia. Tavoitteena on siirtää teknologiaa käytäntöön koulutuksen ja yhteistyön avulla. Rakennettu ympäristö toimii tutkimus- ja mallinnusalustana energiatehokkuuden ja kulutusjouston kehittämiseksi sekä sähköteknisten järjestelmien optimointiin ja ennakointiin.
Metropolian älykampusta kehitetään kohti Smart Building Certificate -platinatasoa, ja sen ympärille luodaan laaja kumppanuusverkosto kestävän kiinteistökehityksen ja yhteisöllisen innovoinnin tueksi.
Hankkeen tulokset näkyvät uusina oppimisratkaisuina kaikilla koulutusasteilla. Myllypuron kampus toimii kokeiluympäristönä, jossa opiskelijat, tutkijat ja yritykset kehittävät ratkaisuja aidoissa olosuhteissa. Tavoitteena on lisätä alan vetovoimaa, edistää jatkuvaa oppimista ja tuottaa sisältöjä täydennyskoulutukseen sekä perus- ja toisen asteen opetukseen.
Metropolian Smart Buildings in Smart Communites -tutkimusryhmä tutkii LVI-laboratorion avulla rakennusten energiatehokkuutta ja sisäilmastoa sekä käyttäjätyytyväisyyttä. Ryhmän tutkimuksia julkaistaan sekä tieteellisissä lehdissä että kansainvälisissä konferensseissa, ja se on viime vuosina laajentanut toimintaansa kohti älykkäitä ohjausjärjestelmiä, koneoppimista ja uusimpien teknologioiden sovelluksia rakennettuun ympäristöön
Xu, Y., Karhula, N., Mikala, J., Huotari, M. (2025). “Investigating the Impact of Ventilation Primary Frequency Control on Indoor Climate and Cognitive Performance in Office Settings.” Building and Environment (accepted).
Tutkimus osoitti, että ilmanvaihdon nopea jousto sähköverkon taajuusmuutosten mukaisesti – niin sanottu Primary Frequency Control (PFC) – voidaan toteuttaa ilman merkittäviä vaikutuksia sisäilmastoon tai ihmisten kognitiiviseen suorituskykyyn. Kokeet toteutettiin Metropolian kampuksen testitoimistossa, ja tulokset tukevat PFC:n integrointia rakennusten ilmanvaihtoon energiajärjestelmien vakauden parantamiseksi.
Huotari, M., Bresa, A., Prakash, P. (2025). “Personalized Online Models of Sleep Quality from Indoor Air and Wearable Sensors.” Manuscript in preparation.
Tämä tutkimus yhdistää sisäilman ja puettavan teknologian mittaamat tiedot yksilölliseen unilaatumallinnukseen. työhypoteesi on, että adaptiviset verkkopohjaiset mallit pystyivät ennustamaan subjektiivista unilaatua hyvällä tarkkuudella, kun niihin yhdistettiin hiilidioksidi-, melu- ja univaihemittauksia. Tulokset viittaavat siihen, että rakennusten sisäilman seuranta voidaan tulevaisuudessa liittää hyvinvointiteknologiaan.
Aaltonen, H., Metsoila, K., Huotari, M., Atmojo, U.D., Vyatkin, V. (2025). “Usage of Fan Coil Unit in Demand Side Management on a Cruise Ship.” Proceedings of MOSES2025, Genoa, Italy.
Tässä tutkimuksessa kehitettiin risteilyalusten hytistöjen ilmastointiyksiköihin (FCU) perustuva energiansäästöstrategia. Simulaatioiden perusteella vahvistettiin, että RL-pohjainen (Reinforcement Learning) ohjaus voi tunnistaa hyttien käyttöasteen ja säätää lämpötiloja energiatehokkaasti. Tulokset tukevat älykkään, miehistöstä riippumattoman energiahallinnan soveltamista laivoilla.
Mikala, J., Xu, Y., Huotari, M. (2025). “Occupancy Centric Demand Driven Ventilation with Deep Neural Network and Transfer Learning.” To be presented at SBE25 Tokyo.
Tämä konferenssiesitys täydentää edellistä tutkimusta osoittamalla, että siirto-oppiminen parantaa merkittävästi reaaliaikaista ilmanvaihdon ohjausta. Reaaliaikaisissa testeissä mallin avulla saavutettiin 0.75 tarkkuus ja ilmanlaatu säilyi hyvänä.
